# 多模態對話

Spatial-LLaVA-7B是基於LLaVA模型微調的多模態模型，專注於提升空間關係推理能力，適用於多模態研究和聊天機器人開發。

基於Qwen3-8B模型的NEO Imatrix量化版本，支持32K長上下文和增強推理能力

VL-Rethinker-72B的4位量化版本，適用於蘋果設備的MLX框架，支持視覺問答任務。

該模型是對google/gemma-3-12b-it進行INT4量化的版本，通過GPTQ算法將參數從16比特降至4比特，顯著減少了磁盤空間和GPU內存需求。

VoRA是一個基於7B參數的視覺-語言模型，專注於圖像文本到文本的轉換任務。

VoRA是一個基於7B參數的視覺語言模型，能夠處理圖像和文本輸入，生成文本輸出。

這是Qwen2.5-VL-7B-Instruct模型的GGUF量化版本，適用於多模態任務，支持圖像和文本輸入。

Q-SiT Mini是一個輕量級的圖像質量評估與對話模型，專注於圖像質量分析和評分。

LLaVA-NeXT-Video-7B-hf 是一個基於視頻的多模態模型，能夠處理視頻和文本輸入，生成文本輸出。

InternVL2_5-4B-AWQ 是使用 autoawq 對 InternVL2_5-4B 進行 AWQ 量化的版本，支持多語言和多模態任務。

Qwen2.5-VL-7B-Instruct-GPTQ-Int4是基於Qwen2.5-VL-7B-Instruct模型進行非官方GPTQ-Int4量化的版本，支持圖文到文本的多模態任務。

基於長且豐富的上下文（LRC）建模增強的視頻多模態大語言模型，通過提升感知細粒度細節和捕捉長時態結構的能力改進現有MLLM

InternLM-XComposer2.5-Chat是基於InternLM-XComposer2.5-7B訓練的對話模型，在多模態指令跟隨和開放式對話能力方面有顯著提升。

這是QVQ-72B-Preview-abliterated模型的GPTQ量化8位版本，支持圖像文本到文本的轉換任務。

Apollo是一系列專注於視頻理解的大型多模態模型，擅長處理長達一小時的視頻內容，支持複雜視頻問答和多輪對話。

Apollo 是一系列專注於視頻理解的大型多模態模型，擅長處理長視頻內容理解、時序推理和複雜視頻問答等任務。

颱風2-音頻版是一個端到端的語音轉語音模型架構，能夠處理音頻、語音和文本輸入，並同時生成文本和語音輸出。該模型專門針對泰語優化，同時也支持英語。

Mini-InternVL2-DA-RS是針對遙感圖像領域優化的多模態模型，基於Mini-InternVL架構，通過領域適配框架微調，在遙感圖像理解任務上表現優異。

VARCO-VISION-14B是一款強大的英韓視覺語言模型，支持圖像和文本輸入，生成文本輸出，具備定位、指代和OCR功能。

ChatRex是一款擅長感知的多模態大語言模型，能在回答問題的同時將答案關聯到具體對象。

GLM-Edge-V-5B是一個50億參數的多模態模型，支持圖像和文本輸入，能夠執行圖像理解和文本生成任務。

GLM-Edge-V-2B是一個基於Pytorch框架的圖像文本到文本模型，支持中文處理。

MMDuet是一個支持視頻播放時即時交互的VideoLLM模型，專注於時間敏感的視頻理解任務。

基於Aria-sequential_mlp的BitsAndBytes NF4量化版本，適用於圖像文本到文本任務，顯存需求約15.5 GB。

基於Aria-sequential_mlp的FP8動態量化模型，適用於圖像文本到文本任務，顯存需求約30GB。

mPLUG-Owl3 是一款先進的多模態大語言模型，專注於解決長圖像序列理解的挑戰，通過超注意力機制顯著提升處理速度和序列長度。

mPLUG-Owl3 是一款先進的多模態大語言模型，專注於解決長圖像序列理解的挑戰，通過超注意力機制顯著提升處理速度和序列長度。

VideoChat2-HD-hf是一個基於Mistral-7B的多模態視頻理解模型，專注於視頻文本轉換任務。

這是一個基於Qwen2-VL-7B-Instruct配置隨機初始化的小型調試模型，用於視覺語言任務

這是Qwen2-Audio-7B-Instruct的4位量化版本，基於阿里巴巴雲原版Qwen模型開發，是一個音頻-文本多模態大語言模型。

InternVideo2-Chat-8B-InternLM2.5是一個視頻-文本多模態模型，通過整合InternVideo2視頻編碼器與大型語言模型(LLM)來增強視頻理解和人機交互能力。

mPLUG-Owl3 是一款前沿的多模態大語言模型，專為解決長圖像序列理解難題而設計，支持處理單圖、多圖和視頻任務。

AI虛擬主播闆闆模型，專為NTNU VLSI社團設計的虛擬主播助手，具有圖像文本到文本的能力。

InternVideo2-Chat-8B-HD 是一個結合了大型語言模型和視頻BLIP的視頻理解模型，通過漸進式學習方案構建，能夠處理高清視頻輸入。

LLaVA-Saiga-8b是基於IlyaGusev/saiga_llama3_8b模型開發的視覺-語言模型（VLM），主要適配俄語任務，但仍具備英語處理能力。

基於TinyLlama-1.1B的輕量級視覺問答模型，通過BakLlava代碼庫訓練而成，支持圖像內容理解和問答任務。

llava-calm2-siglip 是一個實驗性的視覺語言模型，能夠用日語和英語回答關於圖像的問題。

基於google/paligemma-3b-mix-448微調的多模態對話模型，專為多輪對話場景優化

MiniCPM-Llama3-V 2.5 的 int4 量化版本，顯著降低 GPU 顯存佔用（約 9GB）

CogVLM2是基於Meta-Llama-3-8B-Instruct構建的多模態對話模型，支持中英文，具備8K上下文長度和1344*1344分辨率圖像處理能力。